چکیده:
در این تحقیق، نحوه عملکرد شبکه های عصبی موجکی با شبکه های عصبی مصنوعی در پیش بینی درصد شکستگی دانه های جو در کمباین مقایسه شد. شبکه‌های مزبور به صورت تابعی از درجه حرارت هوا، سرعت کوبنده، سرعت پیشروی کمباین، فاصله کوبنده و ضدکوبنده در جلو و عقب واحد کوبنده و درصد رطوبت جو آموزش داده شد. شبکه عصبی موجکی (RASP1) با دقت 2/90 درصد در پیش بینی شکستگی دانه جو به عنوان یک جایگزین مناسب برای شبکه‌های عصبی با دقت 88 درصد تعیین شد. نتایج آنالیز حساسیت نشان داد که تأثیر کلیه ورودی های شبکه بر شکستگی دانه های جو معنی دار بوده و بیشترین تأثیر مربوط به سرعت کوبنده و کمترین تأثیر مربوط به درجه حرارت هوا بود.
چکیده انگلیسی:
In this study the wavelet neural network (WNN) and artificial neural network (ANN) were used to simulate barley breakage percentage in combine harvester. The models have been trained using the same data conditions. Air temperature, thresher cylinder speed, distance between thresher cylinder and concave (back and forth) and the percentage of barely moisture were as the input variables. The results showed that the wavelet network (WNN, RASP 1) with 90.2% correlation coefficient for barely breakage would be an appropriate substitute for artificial neural network with 88% correlation coefficient. The result of sensitivity analysis showed that all input variables had a significant effect on barely breakage. Speed of thresher cylinder had the most effect and the degree of air temperature had the least effect on barely breakage.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
